大文件，5亿整数，怎么排？

来源：互联网发布：软考程序员题型编辑：程序博客网时间：2024/04/28 23:20

问题

给你1个文件bigdata，大小4663M，5亿个数，文件中的数据随机,如下一行一个整数：

61963023557681612158020393452095006174677379343122016371712330287901712966901...7005375

现在要对这个文件进行排序，怎么搞？

内部排序

先尝试内排，选2种排序方式：

3路快排：

private final int cutoff = 8;public <T> void perform(Comparable<T>[] a) {        perform(a,0,a.length - 1);    }    private <T> int median3(Comparable<T>[] a,int x,int y,int z) {        if(lessThan(a[x],a[y])) {            if(lessThan(a[y],a[z])) {                return y;            }            else if(lessThan(a[x],a[z])) {                return z;            }else {                return x;            }        }else {            if(lessThan(a[z],a[y])){                return y;            }else if(lessThan(a[z],a[x])) {                return z;            }else {                return x;            }        }    }    private <T> void perform(Comparable<T>[] a,int low,int high) {        int n = high - low + 1;        //当序列非常小，用插入排序        if(n <= cutoff) {            InsertionSort insertionSort = SortFactory.createInsertionSort();            insertionSort.perform(a,low,high);            //当序列中小时，使用median3        }else if(n <= 100) {            int m = median3(a,low,low + (n >>> 1),high);            exchange(a,m,low);            //当序列比较大时，使用ninther        }else {            int gap = n >>> 3;            int m = low + (n >>> 1);            int m1 = median3(a,low,low + gap,low + (gap << 1));            int m2 = median3(a,m - gap,m,m + gap);            int m3 = median3(a,high - (gap << 1),high - gap,high);            int ninther = median3(a,m1,m2,m3);            exchange(a,ninther,low);        }        if(high <= low)            return;        //lessThan        int lt = low;        //greaterThan        int gt = high;        //中心点        Comparable<T> pivot =  a[low];        int i = low + 1;        /*        * 不变式：        *   a[low..lt-1] 小于pivot -> 前部(first)        *   a[lt..i-1] 等于 pivot -> 中部(middle)        *   a[gt+1..n-1] 大于 pivot -> 后部(final)        *        *   a[i..gt] 待考察区域        */        while (i <= gt) {            if(lessThan(a[i],pivot)) {                //i-> ,lt ->                exchange(a,lt++,i++);            }else if(lessThan(pivot,a[i])) {                exchange(a,i,gt--);            }else{                i++;            }        }        // a[low..lt-1] < v = a[lt..gt] < a[gt+1..high].        perform(a,low,lt - 1);        perform(a,gt + 1,high);    }

归并排序：

    /**     * 小于等于这个值的时候，交给插入排序     */    private final int cutoff = 8;    /**     * 对给定的元素序列进行排序     *     * @param a 给定元素序列     */    @Override    public <T> void perform(Comparable<T>[] a) {        Comparable<T>[] b = a.clone();        perform(b, a, 0, a.length - 1);    }    private <T> void perform(Comparable<T>[] src,Comparable<T>[] dest,int low,int high) {        if(low >= high)            return;        //小于等于cutoff的时候,交给插入排序        if(high - low <= cutoff) {            SortFactory.createInsertionSort().perform(dest,low,high);            return;        }        int mid = low + ((high - low) >>> 1);        perform(dest,src,low,mid);        perform(dest,src,mid + 1,high);        //考虑局部有序 src[mid] <= src[mid+1]        if(lessThanOrEqual(src[mid],src[mid+1])) {            System.arraycopy(src,low,dest,low,high - low + 1);        }        //src[low .. mid] + src[mid+1 .. high] -> dest[low .. high]        merge(src,dest,low,mid,high);    }    private <T> void merge(Comparable<T>[] src,Comparable<T>[] dest,int low,int mid,int high) {        for(int i = low,v = low,w = mid + 1; i <= high; i++) {            if(w > high || v <= mid && lessThanOrEqual(src[v],src[w])) {                dest[i] = src[v++];            }else {                dest[i] = src[w++];            }        }    }

数据太多，递归太深 ->栈溢出？加大Xss？
数据太多，数组太长 -> OOM？加大Xmx?

耐心不足，没跑出来.而且要将这么大的文件读入内存，在堆中维护这么大个数据量，还有内排中不断的拷贝，对栈和堆都是很大的压力，不具备通用性。

sort命令来跑

sort -n bigdata -o bigdata.sorted

跑了多久呢？24分钟.

为什么这么慢？

粗略的看下我们的资源：
1. 内存
jvm-heap/stack，native-heap/stack,page-cache，block-buffer
2. 外存
swap + 磁盘

数据量很大，函数调用很多，系统调用很多，内核/用户缓冲区拷贝很多，脏页回写很多，io-wait很高，io很繁忙，堆栈数据不断交换至swap，线程切换很多，每个环节的锁也很多.

总之，内存吃紧，问磁盘要空间，脏数据持久化过多导致cache频繁失效，引发大量回写，回写线程高，导致cpu大量时间用于上下文切换，一切，都很糟糕，所以24分钟不细看了，无法忍受.

位图法

    private BitSet bits;    public void perform(            String largeFileName,            int total,            String destLargeFileName,            Castor<Integer> castor,            int readerBufferSize,            int writerBufferSize,            boolean asc) throws IOException {        System.out.println("BitmapSort Started.");        long start = System.currentTimeMillis();        bits = new BitSet(total);        InputPart<Integer> largeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize);        OutputPart<Integer> largeOut = PartFactory.createCharBufferedOutputPart(destLargeFileName, writerBufferSize);        largeOut.delete();        Integer data;        int off = 0;        try {            while (true) {                data = largeIn.read();                if (data == null)                    break;                int v = data;                set(v);                off++;            }            largeIn.close();            int size = bits.size();            System.out.println(String.format("lines : %d ,bits : %d", off, size));            if(asc) {                for (int i = 0; i < size; i++) {                    if (get(i)) {                        largeOut.write(i);                    }                }            }else {                for (int i = size - 1; i >= 0; i--) {                    if (get(i)) {                        largeOut.write(i);                    }                }            }            largeOut.close();            long stop = System.currentTimeMillis();            long elapsed = stop - start;            System.out.println(String.format("BitmapSort Completed.elapsed : %dms",elapsed));        }finally {            largeIn.close();            largeOut.close();        }    }    private void set(int i) {        bits.set(i);    }    private boolean get(int v) {        return bits.get(v);    }

nice!跑了190秒，3分来钟.
以核心内存4663M/32大小的空间跑出这么个结果，而且大量时间在用于I/O，不错.

问题是，如果这个时候突然内存条坏了1、2根，或者只有极少的内存空间怎么搞？

外部排序

该外部排序上场了.
外部排序干嘛的？

内存极少的情况下，利用分治策略，利用外存保存中间结果，再用多路归并来排序;

map-reduce的嫡系.

这里写图片描述

1.分

内存中维护一个极小的核心缓冲区memBuffer，将大文件bigdata按行读入，搜集到memBuffer满或者大文件读完时，对memBuffer中的数据调用内排进行排序，排序后将有序结果写入磁盘文件bigdata.xxx.part.sorted.
循环利用memBuffer直到大文件处理完毕，得到n个有序的磁盘文件：

这里写图片描述

2.合

现在有了n个有序的小文件，怎么合并成1个有序的大文件？
把所有小文件读入内存，然后内排？
(⊙o⊙)…
no!

利用如下原理进行归并排序：
这里写图片描述
我们举个简单的例子：

文件1：3,6,9
文件2：2,4,8
文件3：1,5,7

第一回合：
文件1的最小值：3 , 排在文件1的第1行
文件2的最小值：2，排在文件2的第1行
文件3的最小值：1，排在文件3的第1行
那么，这3个文件中的最小值是：min(1,2,3) = 1
也就是说，最终大文件的当前最小值，是文件1、2、3的当前最小值的最小值，绕么？
上面拿出了最小值1，写入大文件.

第二回合：
文件1的最小值：3 , 排在文件1的第1行
文件2的最小值：2，排在文件2的第1行
文件3的最小值：5，排在文件3的第2行
那么，这3个文件中的最小值是：min(5,2,3) = 2
将2写入大文件.

也就是说，最小值属于哪个文件，那么就从哪个文件当中取下一行数据.（因为小文件内部有序，下一行数据代表了它当前的最小值）

最终的时间，跑了771秒，13分钟左右.

less bigdata.sorted.text...9999966999996799999689999969999997099999719999972999997399999749999975999997699999779999978...

9 1